This is one of the five models obtained by fine-tuning the esm2_t33_650M_UR50D on approximately 7.66 million nanobody sequences.
For more information, please visit https://github.com/DynaX-C/EvoNB.
Характеристики
- Контекст
- 1 026 токенов
- Параметры
- 865 млн
- Лицензия
- MIT
- Архитектура
- esm · dense
- Базовая модель
- esm2_t33_650M_UR50D
- Библиотека
- transformers
- Опубликована
- 29 окт 2024
Ссылки
EvoNB_1
EvoNB_1 — дообученная на последовательностях нанотел модель ESM-2 для предсказания скрытых аминокислот в белковых последовательностях.
175скачиваний за 30 дней0лайковвеса обновлены12 июл 2025
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Публичные оценки
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Что умеет модель
Описание составлено по карточке модели и метаданным Hugging Face
EvoNB_1 — дообученная белковая языковая модель, созданная на основе facebook/esm2_t33_650M_UR50D. Разработчик обучал её на наборе примерно из 7,66 млн последовательностей нанотел; это одна из пяти полученных моделей EvoNB. Архитектура — ESM с классом EsmForMaskedLM, размер — 865,1 млн параметров, максимальный контекст — 1026 токенов.
Модель предназначена для предсказания скрытых позиций в последовательностях нанотел и поддержки анализа белковых последовательностей. Она использует задачу fill-mask и распространяется в формате safetensors через Transformers. Лицензия — MIT. README не приводит сравнительных оценок качества или результатов практической проверки.
Сценарии применения
- предсказание аминокислоты в замаскированной позиции последовательности нанотела
- оценка правдоподобия вариантов последовательности нанотела
- анализ белковых последовательностей нанотел
Ограничения
README не сообщает сравнительных метрик и не описывает проверенные сценарии применения. Модель специализирована на последовательностях нанотел, поэтому её качество для других типов белков не установлено.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers · fill-mask
Подбираем GPU…
- Класс архитектуры
- EsmForMaskedLM
- Ревизия весов
- 7fe017f